零基础入门：手把手教你用Miniconda-Python3.9创建独立开发环境

你有没有遇到过这样的烦恼？今天跑通的代码，明天换个地方就报错；同事分享的项目，在你电脑上死活跑不起来。错误信息五花八门：“ModuleNotFoundError”、“版本不兼容”、“CUDA不可用”…… 折腾半天，最后发现是Python环境“打架”了。

如果你也受够了这种环境混乱的日子，今天这篇文章就是为你准备的。我将带你从零开始，用Miniconda-Python3.9搭建一个干净、独立、可复现的开发环境。无论你是刚入门的新手，还是被环境问题困扰已久的老手，这套方法都能让你彻底告别“环境依赖”的噩梦。

简单来说，Miniconda就是一个帮你管理Python环境的“超级管家”。它很轻巧，但功能强大，能让你在同一台电脑上为不同项目创建完全隔离的“小房间”。每个房间里的Python版本、安装的库都互不干扰，想用哪个就进哪个，再也不用担心版本冲突了。

准备好了吗？让我们开始吧。

1. 为什么你需要Miniconda？环境隔离到底有多重要？

在深入操作之前，我们先搞清楚为什么要大费周章地搞环境隔离。这绝不是为了增加学习成本，而是为了解决实实在在的痛点。

想象一下，你正在做两个项目：

• 项目A：一个老旧的机器学习项目，需要Python 3.7和TensorFlow 1.x。
• 项目B：一个最新的视觉模型，需要Python 3.9和PyTorch 2.0。

如果你把所有库都装在电脑的“全局”Python环境里，会发生什么？几乎可以肯定，这两个项目的依赖会互相冲突，导致其中一个（甚至两个）都无法运行。更糟糕的是，你可能会在不知不觉中升级了某个关键库，导致之前能跑的项目突然崩溃。

Miniconda的核心价值，就是为每个项目创建一个独立的“沙盒”环境。 在这个沙盒里，你可以自由安装任何版本的Python和库，而不会影响到其他环境。这带来了几个显而易见的好处：

• 纯净与隔离：每个项目从零开始，环境干净，没有历史包袱。
• 版本自由：项目A用Python 3.7，项目B用Python 3.9，完全没问题。
• 一键复现：你可以把环境的“配方”导出成一个文件。别人拿到这个文件，就能一键重建和你一模一样的环境，极大方便了团队协作和论文复现。
• 轻松清理：项目做完，直接把整个环境删除，系统不留任何垃圾。

而Miniconda-Python3.9这个版本，是一个经过验证的、非常稳定的选择。Python 3.9在性能和新特性之间取得了很好的平衡，并且被绝大多数主流AI框架（如PyTorch、TensorFlow）很好地支持。用它作为起点，是一个非常稳妥的决定。

2. 第一步：获取并安装Miniconda-Python3.9

理论说完了，我们开始动手。第一步是下载和安装Miniconda。

2.1 选择并下载安装包

Miniconda的官方源在国外，直接下载可能很慢。幸运的是，国内有多个高校和机构提供了镜像服务，速度飞快。这里我推荐使用清华大学开源软件镜像站。

根据你的操作系统，选择对应的链接下载：

• Windows用户：访问 https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/，找到名字类似 Miniconda3-py39_23.11.0-Windows-x86_64.exe 的文件下载。
• Linux/macOS用户：可以直接在终端里用命令下载。打开你的终端（Linux/macOS叫终端或Shell，Windows叫命令提示符或PowerShell），输入以下命令：

# 对于Linux系统（64位）
wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-py39_23.11.0-Linux-x86_64.sh

# 对于macOS系统（Apple Silicon芯片，即M1/M2/M3）
wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-py39_23.11.0-MacOSX-arm64.sh

# 对于macOS系统（Intel芯片）
wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-py39_23.11.0-MacOSX-x86_64.sh

下载下来的就是一个安装脚本（Linux/macOS是 .sh 文件，Windows是 .exe 文件）。

2.2 执行安装

对于Linux/macOS用户：

1. 给下载的脚本添加执行权限：chmod +x Miniconda3-py39_23.11.0-*.sh
2. 运行安装脚本：bash Miniconda3-py39_23.11.0-*.sh
3. 安装过程中，你会看到许可协议，一直按回车直到看完。
4. 出现提示时，输入 yes 同意许可条款。
5. 接下来会问安装路径，直接按回车使用默认路径（通常是 ~/miniconda3）就好。
6. 最后，安装程序会问你是否要“初始化Conda”。这里一定要输入 yes。这会把Conda的命令行工具添加到你的系统路径里，这样你才能在任意位置使用 conda 命令。

对于Windows用户：

1. 双击下载好的 .exe 文件。
2. 跟着安装向导一步步走，建议所有选项都保持默认。
3. 在“Advanced Installation Options”页面，务必勾选“Add Miniconda3 to my PATH environment variable”。这样你才能在命令提示符或PowerShell里直接使用conda。

安装完成后，关闭并重新打开你的终端窗口，这是为了让系统加载新的环境变量。

2.3 验证安装

打开一个新的终端窗口，输入以下命令：

conda --version

如果安装成功，你会看到类似 conda 23.11.0 的版本号输出。恭喜你，Miniconda已经成功入驻你的电脑了！

3. 第二步：创建你的第一个独立Python环境

现在，Miniconda（我们叫它“大管家”）已经就位。接下来，我们要用它来创建第一个独立的“小房间”，也就是虚拟环境。假设我们要创建一个用于AI开发的环境，名字就叫 ai_env。

在终端里，输入以下命令：

conda create -n ai_env python=3.9

我们来拆解一下这个命令：

• conda create：这是创建环境的命令。
• -n ai_env：-n 是 --name 的缩写，意思是给环境起个名字，这里我们起名叫 ai_env。你可以换成任何你喜欢的名字，比如 my_project。
• python=3.9：指定这个环境里要安装Python 3.9。Miniconda会自动去下载并安装指定版本的Python。

执行命令后，conda会分析依赖关系，并列出将要安装的包。它会问你是否继续，输入 y 然后回车。

稍等片刻，conda就会帮你把名为 ai_env、基于Python 3.9的纯净环境搭建好。

4. 第三步：进入环境并安装你需要的工具包

环境创建好了，但它还是个“空房间”。我们需要“进入”这个房间，然后往里面“搬家具”（安装库）。

4.1 激活环境

要使用我们刚创建的环境，必须先激活它。在终端中输入：

conda activate ai_env

激活后，你会发现命令行的提示符前面多了 (ai_env) 的字样。这就像你从大厅走进了标有“ai_env”牌子的房间，之后你所有的操作（安装库、运行Python程序）都只在这个房间里生效，不会影响到外面。

4.2 安装AI开发常用库

现在，我们可以在这个干净的环境里安装我们需要的库了。conda本身是一个强大的包管理器，它不仅能安装Python库，还能安装一些非Python的依赖（比如某些数学加速库）。

首先，为了后续安装速度更快，我们配置一下conda的国内镜像源。 这会让conda从国内的服务器下载软件包，速度提升非常明显。

在激活的 ai_env 环境中，依次执行以下命令来添加清华镜像源：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --set show_channel_urls yes

配置好后，我们来安装一些数据科学和AI开发的“标配”工具包：

# 使用conda安装一些核心科学计算库（conda能更好地处理它们之间的复杂依赖）
conda install numpy pandas matplotlib scikit-learn jupyter

# 安装PyTorch（以Linux系统、CUDA 11.8为例，请根据你的实际情况去PyTorch官网选择命令）
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

# 对于TensorFlow用户，通常用pip安装更简单
pip install tensorflow

注意：安装PyTorch时，上面的命令只是一个例子。最稳妥的方法是去 PyTorch官网 ，在“Get Started”页面选择你的操作系统、包管理器（Conda）、Python版本和CUDA版本，网站会自动生成正确的安装命令，你复制过来执行即可。

4.3 验证环境

安装完成后，让我们写个简单的脚本来验证一切是否正常。在终端里输入 python 进入Python交互模式，然后逐行输入：

import torch
import tensorflow as tf
import numpy as np
import pandas as pd

print(f"PyTorch版本: {torch.__version__}")
print(f"PyTorch CUDA可用: {torch.cuda.is_available()}")

print(f"TensorFlow版本: {tf.__version__}")
print(f"NumPy版本: {np.__version__}")

print("所有库导入成功！环境配置完成。")

如果每一行都没有报错，并且能正确打印出版本信息（特别是PyTorch能检测到CUDA），那么恭喜你，一个功能完善的AI开发环境已经搭建成功了！

5. 第四步：日常使用与环境管理

环境建好了，怎么用在日常开发中呢？这里介绍两种最常用的方式。

5.1 方式一：在终端中直接使用

这是最直接的方式。每当你需要在这个环境下工作时，只需要：

1. 打开终端。
2. 输入 conda activate ai_env 激活环境。
3. 然后你就可以运行你的Python脚本了：python your_script.py

工作完成后，输入 conda deactivate 即可退出当前环境，回到“大厅”（base环境）。

5.2 方式二：使用Jupyter Notebook进行交互式开发

对于数据分析和模型调试，Jupyter Notebook的交互式体验是无与伦比的。我们已经安装了jupyter，现在来启动它。

在激活的 ai_env 环境中，输入：

jupyter notebook

你的默认浏览器会自动打开Jupyter的页面。点击右上角的“New”，选择“Python 3 (ipykernel)”，就能创建一个新的Notebook文档。在这个文档里，你可以像刚才在终端里一样导入 torch、tensorflow 等库，并且可以分块运行代码，实时看到图表和结果，非常适合学习和实验。

一个重要技巧：确保Jupyter内核与你conda环境关联。有时你可能会发现，在Jupyter里无法导入你在 ai_env 中安装的包。这是因为Jupyter使用了错误的内核。解决方法是，在你的 ai_env 环境中安装 ipykernel 并注册：

conda activate ai_env
conda install ipykernel
python -m ipykernel install --user --name ai_env --display-name "Python (ai_env)"

这样，在Jupyter的“New”按钮下拉菜单里，就会出现一个名为“Python (ai_env)”的选项，选择它就能确保Notebook运行在你指定的conda环境中。

6. 总结：让环境管理成为你的超能力

走到这里，你已经完成了从零到一的跨越。让我们回顾一下今天的核心收获：

1. 理解了环境隔离的必要性：它解决了项目间依赖冲突、环境难以复现的核心痛点。
2. 掌握了Miniconda的安装：通过国内镜像源快速获取并安装了Miniconda-Python3.9这个轻量且强大的环境管理工具。
3. 学会了核心操作：
   • conda create -n 环境名 python=x.x 创建新环境。
   • conda activate 环境名 进入环境。
   • conda install 包名 或 pip install 包名 安装依赖。
   • conda deactivate 退出环境。
4. 配置了加速通道：通过配置清华镜像源，让后续的包安装速度飞起。
5. 体验了两种工作流：在终端中直接运行脚本，以及在Jupyter Notebook中进行交互式开发。

现在，你可以为每一个新项目创建一个专属的conda环境。当项目结束或想清理时，只需一句 conda remove -n 环境名 --all 就能将整个环境删除得干干净净。

更重要的是，你可以通过 conda env export > environment.yml 命令，将当前环境的精确配置（包括所有库及其版本号）导出到一个YAML文件中。把这个文件交给你的同事或附在论文后面，他们只需要运行 conda env create -f environment.yml，就能瞬间复现出一个和你一模一样的环境。这，就是可复现科研和高效协作的基石。

从今天起，告别环境混乱，拥抱清晰、有序、高效的开发体验吧。Miniconda就是你工具箱里那把管理环境的“瑞士军刀”，用好它，你会发现自己能更专注于代码和创意本身。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。